CN109816200B - 任务推送方法、装置、计算机设备和存储介质 - Google Patents
任务推送方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN109816200B CN109816200B CN201811544266.7A CN201811544266A CN109816200B CN 109816200 B CN109816200 B CN 109816200B CN 201811544266 A CN201811544266 A CN 201811544266A CN 109816200 B CN109816200 B CN 109816200B
- Authority
- CN
- China
- Prior art keywords
- task
- user
- target
- grade
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000013210 evaluation model Methods 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims description 67
- 238000001514 detection method Methods 0.000 claims description 42
- 238000002372 labelling Methods 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 18
- 238000012790 confirmation Methods 0.000 claims description 18
- 238000012216 screening Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000000605 extraction Methods 0.000 description 10
- 238000011835 investigation Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 4
- 238000001574 biopsy Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本申请涉及人工智能技术领域,提供了一种任务推送方法、装置、计算机设备和存储介质。所述方法包括:从目标用户对应的终端获取所述目标用户的人脸识别分数及身份证信息,所述人脸识别分数为所述终端调用公安部人脸识别接口对目标人脸图像进行人脸识别得到的分数;根据所述身份证信息计算所述目标用户对应的相似度衰减系数;基于所述人脸识别分数及所述相似度衰减系数采用已训练的用户等级评估模型,得到所述目标用户的当前用户等级;所述当前用户等级从当前任务集合中筛选所述目标用户对应的目标任务,所述目标任务为任务等级满足预设条件的任务;将所述目标任务推送至所述终端。采用本申请的方法能够节省网络资源。
Description
技术领域
本申请涉及人工智能技术领域,特别是涉及一种任务推送方法、装置、计算机设备和存储介质。
背景技术
随着互联网的迅速发展,出现了基于互联网的众包平台,通过众包平台,租赁公司、贷款公司等企业可利用互联网来将租赁、贷款后的工作如催收、调查等任务分配出去。
传统的众包平台,为了确保用户的真实性,需要用户在注册时进行人脸识别来完成身份认证,只要人脸识别分数超过统一设置的预设阈值,即可注册成功,众包平台对于注册成功的用户统一进行任务推送,然而为了保证任务执行过程中的信息安全,部分任务对人脸识别分数的要求高于用户注册时的预设阈值,人脸识别分数达不到该部分任务对应的人脸识别分数要求的用户无法申请该部分任务,因此,按照传统的方式进行任务推送时会导致网络资源的浪费。
发明内容
基于此,有必要针对上述技术问题,提供一种能够节省网络资源的任务推送方法、装置、计算机设备和存储介质。
一种任务推送方法,所述方法包括:
从目标用户对应的终端获取所述目标用户的人脸识别分数及身份证信息,所述人脸识别分数为所述终端调用公安部人脸识别接口对目标人脸图像进行人脸识别得到的分数;
根据所述身份证信息计算所述目标用户对应的相似度衰减系数;
基于所述人脸识别分数及所述相似度衰减系数采用已训练的用户等级评估模型,得到所述目标用户的当前用户等级;
根据所述当前用户等级从当前任务集合中筛选所述目标用户对应的目标任务,所述目标任务为任务等级满足预设条件的任务;
将所述目标任务推送至所述终端。
在其中一个实施例中,在所述从目标用户对应的终端获取所述目标用户的人脸识别分数及身份证信息之前,所述方法包括:
获取待检测用户的待检测人脸图像;
从所述待检测人脸图像中提取图像特征;
将所述图像特征输入已训练的活体检测模型,得到所述待检测用户对应的活体概率预测值;
当根据所述活体概率预测值判定所述待检测用户对应的活体检测结果为第一预设结果时,向所述终端发送确认指令,所述确认指令用于指示所述终端将所述待检测人脸图像确定为目标人脸图像;
当根据所述活体概率预测值判定所述待检测用户对应的活体检测结果为第二预设结果时,向所述终端发送警告信息。
在其中一个实施例中,在所述根据所述当前用户等级从当前任务集合中筛选所述目标用户对应的目标任务之前,所述方法包括:
获取所述当前任务集合中每个任务对应的任务标识;
根据所述任务标识查找每个任务对应的任务类型及合同信息;
基于所述任务类型及所述合同信息采用已训练的任务等级评估模型得到每个任务对应的任务等级。
在其中一个实施例中,所述任务等级评估模型的生成步骤包括:
获取第一训练样本集,所述第一训练样本集中每个第一训练样本包括历史任务对应的任务类型、合同信息及第一标注信息;
确定初始任务等级评估模型的模型结构信息,以及初始化所述初始任务等级评估模型的模型参数;
基于所述第一训练样本中的任务类型及合同信息采用所述初始任务等级评估模型得到所述第一训练样本对应的任务等级;
基于所得到的任务等级及所述第一标注信息之间的差异,调整所述初始任务等级评估模型的模型参数,得到目标任务等级评估模型;
将所述目标任务等级评估模型确定为已训练的任务等级评估模型。
在其中一个实施例中,所述方法还包括:
获取所述目标用户的历史已完成任务;
根据所述历史已完成任务对应的任务标识查找对应的任务评分;
根据所述任务评分调整所述目标用户的当前用户等级。
在其中一个实施例中,所述用户等级评估模型的生成步骤包括:
获取第二训练样本集,所述第二训练样本集中的每个第二训练样本包括历史目标用户对应的人脸识别分数、身份证信息及第二标注信息;
确定初始用户等级评估模型的模型结构信息,以及初始化所述初始用户等级评估模型的模型参数;
根据所述历史目标用户对应的身份证信息计算所述历史目标用户对应的相似度衰减系数;
基于所述历史目标用户对应的人脸识别分数及相似度衰减系数采用所述初始用户等级评估模型,得到所述历史目标用户对应的用户等级;
基于所得到的用户等级与第二训练样本中的第二标注信息之间的差异,调整所述初始用户等级评估模型的模型参数,得到目标用户等级评估模型;
将所述目标用户等级评估模型确定为已训练的用户等级评估模型。
一种任务推送装置,所述装置包括:
数据获取模块,用于从目标用户对应的终端获取所述目标用户的人脸识别分数及身份证信息,所述人脸识别分数为所述终端调用公安部人脸识别接口对目标人脸图像进行人脸识别得到的分数;
相似度衰减系数计算模块,用于根据所述身份证信息计算所述目标用户对应的相似度衰减系数;
当前用户等级获取模块,用于基于所述人脸识别分数及所述相似度衰减系数采用已训练的用户等级评估模型,得到所述目标用户的当前用户等级;
目标任务筛选模块,用于根据所述当前用户等级从当前任务集合中筛选所述目标用户对应的目标任务,所述目标任务为任务等级满足预设条件的任务;
目标任务推送模块,用于将所述目标任务推送至所述终端。
在其中一个实施例中,所述装置还包括:活体检测模块,用于获取待检测用户的待检测人脸图像;从所述待检测人脸图像中提取图像特征;将所述图像特征输入已训练的活体检测模型,得到所述待检测用户对应的活体概率预测值;当根据所述活体概率预测值判定所述待检测用户对应的活体检测结果为第一预设结果时,向所述终端发送确认指令,所述确认指令用于指示所述终端将所述待检测人脸图像确定为目标人脸图像;当根据所述活体概率预测值判定所述待检测用户对应的活体检测结果为第二预设结果时,向所述终端发送警告信息。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任意实施例所述的任务推送方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意实施例所述的任务推送方法的步骤。
上述任务推送方法、装置、计算机设备和存储介质,通过从目标用户对应的终端获取所述目标用户的人脸识别分数及身份证信息,然后根据所述身份证信息计算所述目标用户对应的相似度衰减系数,并基于所述人脸识别分数及所述相似度衰减系数采用已训练的用户等级评估模型,得到所述目标用户的当前用户等级,最后根据所述当前用户等级从当前任务集合中筛选所述目标用户对应的目标任务,将目标任务推送至终端,由于根据用户等级对任务进行了筛选,减少了服务器推送的数据量,从而节省了网络资源。
附图说明
图1为一个实施例中任务推送方法的应用场景图;
图2为一个实施例中任务推送方法的流程示意图;
图3为一个实施例中任务等级评估模型的生成步骤的流程示意图;
图4为另一个实施例中任务推送方法的流程示意图;
图5为一个实施例中任务推送装置的结构框图;
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的任务推送方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。在目标用户对应的终端102调用公安部人脸识别接口对目标人脸图像进行人脸识别得到人脸识别分数后,服务器104从终端获取人脸识别分数及身份证信息,然后根据身份证信息计算目标用户的相似度衰减系数,根据得打的相似度衰减系数及人脸识别分数采用已训练的用户等级分类模型,得到目标用户的当前用户等级,然后服务器获取当前任务集合中每一个任务对应的任务等级,根据任务等级从当前任务集合中筛选出符合预设条件的任务,将筛选出的任务确定为目标任务,最后将目标任务推送至终端102。
其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种任务推送方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤S202,从目标用户对应的终端获取目标用户的人脸识别分数及身份证信息。
其中,人脸识别分数为终端调用公安部人脸识别接口对目标人脸图像进行人脸识别得到的分数,目标用户指的是已通过人脸识别的用户,即人脸识别分数超过预设阈值的用户;身份证信息指的是根据目标用户的身份证得到的信息,包括目标用户的姓名、身份证号码、出生日期等;目标人脸图像指的是在活体检测通过后可用作人脸识别的图像。
具体地,身份证信息可以是用户在终端界面输入的信息,也可以是终端通过采集身份证图像,并通过OCR技术对身份证图像进行文字识别以获取的身份证信息。在一个实施例中,终端在获取到身份证信息后,对用户进行活体检测,当活体检测通过后,终端需要在预设的时间段内(如3S)采集到用户的正脸图像,将采集到的正脸图像作为目标人脸图像,若超过预设时间仍未采集到正脸图像,则重新开始进行活体检测,进一步,终端调用公安部人脸识别接口对目标人脸图像进行人脸识别,终端在调用公安部人脸识别接口时,上传的接口参数包括身份证号码以及目标人脸图像,公安部人脸识别接口根据身份证号码可查找到对应的身份证照片,然后将查找到的身份证照片与目标人脸图像进行人脸特征比对,得到人脸识别分数,终端获取到公安部人脸识别接口返回的人脸识别分数后,判断该人脸识别分数是否大于预设阈值,若是大于,则说明该用户的人脸识别通过,将该用户确定为目标用户,并将该目标用户的人脸识别分数及身份证信息发送至服务器。
步骤S204,根据身份证信息计算目标用户对应的相似度衰减系数。
其中,相似度衰减系数用于表征用户的当前人脸图像与身份证人脸图像相似度衰减的可能性大小,因为随着时间的推移,人的长相通常有一定的变化,这种变化同样体现在人脸图像相似度上,因此随着身份证使用年限的增加,用户的当前人脸图像与身份证办理时采集的身份证人脸图像之间的相似度会随之衰减,且通常情况下,在使用年限相同的情况下,年龄越小的用户,相似度衰减的可能性越大。
在一个实施例中,为简化计算流程,可定义相似度衰减系数为身份证的使用时长(年份)与年龄的比值,如身份证的使用期限为2008年11月28-2018年11月28,出生日期为1998年1月1日,则相似度衰减系数为(2018-2008)/(2018-1998)。可以理解,在其他实施例中,相似度衰减系数也可以通过其他方式计算得到,只要能表征用户的当前人脸图像与身份证人脸图像相似度衰减的可能性大小即可。
步骤S206,基于人脸识别分数及相似度衰减系数采用已训练的用户等级评估模型,得到目标用户的当前用户等级。
具体地,用户等级评估模型用于对目标用户的用户等级进行评估,可通过机器学习的方式训练得到。用户等级用于表征用户人脸识别的可信度,用户等级越高,可表示用户人脸识别的可信度越高。具体的用户等级的设定可由技术人员根据业务需求进行事先设定,例如可设定为高、中、低,也可以设定为一级、二级、三级,……,n级。
在本实施例中,考虑到人脸相似度衰减对人脸识别分数的影响,可根据相似度衰减系数和人脸识别分数共同来确定目标用户的用户等级。服务器在获取到目标用户的人脸识别分数及相似度衰减系数后,基于这些数据采用已训练的用户等级评估模型对目标用户的用户等级进行评估,以得到目标用户的当前用户等级。
步骤S208,根据当前用户等级从当前任务集合中筛选目标用户对应的目标任务。
其中,当前任务集合指的是当前可推送的所有任务组成的集合,目标任务为任务等级满足预设条件的任务,预设条件包括任务等级与目标用户的当前用户等级相同以及任务等级低于目标用户的当前任务等级中的至少一种。举例来说,如用户等级的划定为高、中、低,则当目标用户的用户等级为低级时,其对应的目标任务为低级的任务,当用户等级为高级时,其对应的目标任务可以为所有等级的任务。
本实施例中,服务器需要首先确定当前任务集合中各个任务对应的任务等级,这样在确定了目标用户的当前用户等级后,就可以根据目标用户的当前用户等级从当前任务集合中筛选出满足预设条件的任务,将这些任务确定为该目标用户的目标任务。可以理解的是,本实施例中,任务等级的划定与用户等级的划定相同,比如用户等级划定为高、中、低,则任务等级同样划定为高、中、低,再比如,用户等级与任务等级也可以都划定为一级、二级、三级、四级等等。
步骤S210,将目标任务推送至终端。
具体地,服务器可以是在接收到终端的任务获取请求后将目标任务推送至终端;也可以是按照预设的周期,例如每隔一天,向终端推送一次目标任务,具体何时推送,可根据需要进行事先设定,本申请在此不做限定。
上述任务推送方法中,服务器通过从目标用户对应的终端获取目标用户的人脸识别分数及身份证信息,然后根据身份证信息计算目标用户对应的相似度衰减系数,并基于人脸识别分数及相似度衰减系数采用已训练的用户等级评估模型,得到目标用户的当前用户等级,最后根据当前用户等级从当前任务集合中筛选目标用户对应的目标任务,将目标任务推送至终端,本申请中,由于根据用户等级对任务进行了筛选,一方面减少了服务器推送的数据量,节省了网络资源,另一方面,由于推送的任务针对性更高,可以节省用户申请任务时的选择时间,从而提升任务申请的效率。
在一个实施例中,在从目标用户对应的终端获取目标用户的人脸识别分数及身份证信息之前,包括:获取待检测用户的待检测人脸图像;从待检测人脸图像中提取图像特征;将图像特征输入已训练的活体检测模型,得到待检测用户对应的活体概率预测值;当根据活体概率预测值判定待检测用户对应的活体检测结果为第一预设结果时,向终端发送确认指令,确认指令用于指示终端将待检测人脸图像确定为目标人脸图像;当根据活体概率预测值判定待检测用户对应的活体检测结果为第二预设结果时,向终端发送警告信息。
其中,待检测用户指的是需要进行活体检测的用户;待检测人脸图像指的是待检测用户的终端采集的待检测用户的人脸图像;活体检测模型用于根据图像特征得到待检测用户的活体检测结果,活体检测结果包括第一预设结果和第二预设结果,其中,第一预设结果表征待检测用户为活体,第二预设结果表征待检测用户为非活体。
本实施例中,服务器在获取到待检测用户的待检测人脸图像后,从待检测人脸图像中提取图像特征,然后将图像特征输入到已训练的活体检测模型中,得到待检测用户的活体概率预测值。当服务器根据活体概率预测值判定待检测用户为活体时,向终端发送确认指令,终端在接收到确认指令后,将待检测人脸图像确定为目标人脸图像,然后调用公安部人脸识别接口对该目标人脸图像进行人脸识别并获取公安部人脸识别接口返回的人脸识别分数,当返回的人脸识别分数超过预设阈值时,表明待检测用户已通过人脸识别,终端将该待检测用户确定为目标用户;当服务器根据活体概率预测值判定待检测用户为非活体时,向终端发送警告信息,终端在接收到警告信息后,可提示用户重新进行人脸图像采集,并将采集的人脸图像再次发送到服务器进行活体检测,当活体检测的次数超过预设次数(例如3次),可将待检测用户设置为黑名单用户,对于黑名单用户,服务器将不进行任务推送。
在一个实施例中,可预先训练图像特征提取模型,在提取图像特征时,将待检测人脸图像输入至图像特征提取模型中,从而得到图像特征。在另一实施例中,可采用DoG(difference of Gaussian)滤波器对待检测图像进行滤波预处理获取其中的中频带信息,采用傅立叶变换器从预处理过的二维图像中提取出傅立叶变换特征作为图像特征。
在一个实施例中,特征提取模型可通过以下方式训练得到:获取人脸图像集合;确定初始特征提取模型的模型结构信息和初始生成对抗网络的网络结构信息,以及初始化该初始特征提取模型的模型参数和该初始生成对抗网络的网络参数;对于人脸图像集合中的人脸图像,执行以下调参步骤:将该人脸图像输入初始特征提取模型,得到与该人脸图像对应的图像特征;将所得到的图像特征输入初始生成器,得到生成人脸图像;基于所得到的生成人脸图像和该活体人脸图像之间的相似度,调整初始特征提取模型和初始生成器的参数;将调整后的初始特征提取模型确定为特征提取模型。其中,上述初始生成器是初始生成对抗网络中的生成器,初始生成对抗网络可以是为了训练特征提取模型而预先确定的包括初始生成器和初始判别器的生成对抗网络(GAN,Generative Adversarial Networks),其中,初始生成器用于生成图像,初始判别器用于确定所输入的图像是生成图像还是真实图像。
在一个实施例中,活体检测模型可通过以下方式训练得到;获取训练样本集合,训练样本集合中每个训练样本包括样本人脸图像和对应的活体概率值;确定初始活体检测模型的模型结构信息,以及初始化初始活体检测模型的模型参数;从训练样本中的样本人脸图像提取样本图像特征;将样本图像特征输入初始活体检测模型,得到样本人脸图像对应的样本活体概率预测值;基于样本活体概率预测值与训练样本中的活体概率值之间的差异,调整初始活体检测模型的模型参数,得到目标活体检测模型;将目标活体检测模型确定为已训练的活体检测模型。
在一个实施例中,在根据当前用户等级从当前任务集合中筛选目标用户对应的目标任务之前,上述方法还包括:获取当前任务集合中每个任务对应的任务标识;根据任务标识查找每个任务对应的任务类型及合同信息;基于任务类型及合同信息采用已训练的任务等级评估模型得到每个任务对应的任务等级。
具体地,任务类型指的是任务所属的分类,包括但不限于物流调查任务、保理租后勘察任务、资产勘察任务,其中,物流调查任务指的是针对企业租赁物到货的现场核验任务,保理租后勘察任务指的是针对保理企业租后现场经营情况的采集勘察任务,资产勘察任务指的是针对企业租后资产的定期现场巡视任务;合同信息指的是与任务对应的业务合同的相关信息,业务合同例如可以是租赁合同,合同信息包括合同标的资产、合同涉案金额等,合同标的资产指的是任务对应的合同文件中的权利或义务所指向的对象,合同涉案金额例如可以是押金、保证金、租金等。任务等级评估模型用于对任务的等级进行评估。任务标识用于唯一标识某个任务,可由数字、字母或其组合组成,每个任务对应的任务类型及合同信息与该任务的任务标识对应存储。
本实施例中,服务器首先获取当前任务集合中每个任务的任务标识,然后根据任务标识从数据库中查找每个任务对应的任务类型及合同信息,将任务类型及合同信息输入到已训练的任务等级评估模型中即可得到每个任务对应的任务等级。
上述实施例中,通过获取任务对应的任务类型及合同信息,并采用任务等级评估模型得到任务对应的任务等级,可以提高任务等级确定的效率和准确度。
在一个实施例中,如图3所示,任务等级评估模型的生成步骤包括:
步骤S302,获取第一训练样本集,第一训练样本集中每个第一训练样本包括历史任务对应的任务类型、合同信息及第一标注信息。
其中,第一标注信息用于表征历史任务对应的任务等级。在一个实施例中,第一标注信息可以是包含任务等级标识的向量,例如,当任务等级包括高、中、低三级时,用向量(1,0,0)表征高级任务,用向量(0,1,0)表征中级任务,用向量(0,0,1)表征低级任务;在另一个实施例中,第一标注信息可以是包括第一概率、第二概率以及第三概率的向量,其中,第一概率用于表征历史任务为高级任务的可能性,第二概率用于表征历史任务为中级任务的可能性,第三概率用于表征历史任务为低级任务的可能性。
步骤S304,确定初始任务等级评估模型的模型结构信息,以及初始化该初始任务等级评估模型的模型参数。
具体地,初始任务等级评估模型可以是各种可以实现分类功能的机器学习模型,对于不同类型的模型,所需要确定的模型结构信息也不相同。例如,任务等级评估模型可以为决策树、逻辑回归、朴素贝叶斯、神经网络等等。
进一步,可以将任务等级评估模型的各个模型参数用一些不同的小随机数进行初始化。“小随机数”用来保证模型不会因权值过大而进入饱和状态,从而导致训练失败,“不同”用来保证模型可以正常地学习。
步骤S306,基于第一训练样本中的任务类型及合同信息采用初始任务等级评估模型得到第一训练样本对应的任务等级。
具体地,可以将历史任务对应的任务类型及合同信息映射为输入向量,将输入向量输入初始任务等级评估模型中,从而可以得到第一训练样本中历史任务的任务等级。
步骤S308,基于所得到的任务等级及第一标注信息之间的差异,调整初始任务等级评估模型的模型参数,得到目标任务等级评估模型。
步骤S310,将目标任务等级评估模型确定为已训练的任务等级评估模型。
具体地,可以利用预设的损失函数(例如,L1范数或者L2范数等)计算所得到的历史任务的任务等级与训练样本中的第一标注信息之间的差异,以及基于计算所得的差异调整上述初始活体检测模型的模型参数,并在满足预设训练结束条件时,得到目标用户等级评估模型,其中预设训练结束条件包括但不限于:训练时间超过预设阈值;训练次数超过预设次数;计算所得到的差异小于预设差异阈值。本实施例中,可以采用各种实现方式基于计算所得的差异调整上述用户等级评估模型的模型参数。例如,BP(Back Propagation,反向传播)算法或者SGD(Stochastic Gradient Descent,随机梯度下降)算法。进一步,将目标用户等级评估模型确定为已训练的用户等级评估模型。
在一个实施例中,上述方法还包括:获取目标用户的历史已完成任务;根据历史已完成任务对应的任务标识查找对应的任务评分;根据任务评分调整目标用户的当前用户等级。
具体地,服务器获取目标用户的历史已完成任务,根据历史已完成任务对应的任务标识查找对应的任务评分,根据任务评分调整目标用户的当前用户等级。其中,任务评分用于表征任务发布者对任务完成情况的满意程度。
在一个实施例中,当用户完成的任务数量超过第一阈值且任务对应的任务评分的均值超过第二阈值时,可以对当前用户的等级进行提升;当目标用户完成的任务数量超过第一阈值且任务对应的任务评分的均值小于第三阈值时,降低用户对应的等级。
上述实施例中,通过任务评分对目标用户的当前用户等级进行调整,可以激发用户完成任务的积极性。
在一个实施例中,上述用户等级评估模型的生成步骤包括:获取第二训练样本集,第二训练样本集中的每个第二训练样本包括历史目标用户对应的人脸识别分数、身份证信息及第二标注信息;确定初始用户等级评估模型的模型结构信息,以及初始化初始用户等级评估模型的模型参数;根据历史目标用户对应的身份证信息计算历史目标用户对应的相似度衰减系数;基于历史目标用户对应的人脸识别分数及相似度衰减系数采用初始用户等级评估模型,得到历史目标用户对应的用户等级;基于所得到的用户等级与第二训练样本中的第二标注信息之间的差异,调整初始用户等级评估模型的模型参数,得到目标用户等级评估模型;将目标用户等级评估模型确定为已训练的用户等级评估模型。
其中,第二标注信息用于表征历史目标用户对应的用户等级。在一个实施例中,第二标注信息可以是包含用户等级标识的向量,例如,当用户等级包括高、中、低三级时,用向量(1,0,0)表征高级用户,用向量(0,1,0)表征中级用户,用向量(0,0,1)表征低级用户;在另一个实施例中,第二标注信息可以是包括第一概率、第二概率以及第三概率的向量,其中,第一概率用于表征历史目标用户为高级用户的可能性,第二概率用于表征历史目标用户为中级用户的可能性,第三概率用于表征历史目标用户为低级用户的可能性。
可以理解,关于本实施例中的其他解释和限定可以参照本申请中其他实施例中的描述,本申请在此不赘述。
在一个实施例中,如图4所示,提供了一种任务推送方法,包括以下步骤:
步骤S402,终端获取待检测用户的待检测人脸图像及身份证信息,将待检测人脸图像发送至服务器;
步骤S404,服务器接收到待检测人脸图像后,从待检测人脸图像中提取图像特征;
步骤S406,服务器将图像特征输入已训练的活体检测模型,得到待检测用户对应的活体概率预测值;
步骤S408,当根据活体概率预测值判定待检测用户对应的活体检测结果为活体时,服务器向终端发送确认指令;
步骤S410,终端在接收到确认指令后,将待检测人脸图像确定为目标人脸图像;
步骤S412,终端调用公安部人脸识别接口对目标人脸图像进行人脸识别,并获取公安部人脸识别接口返回的人脸识别分数,当人脸识别分数超过对应的预设阈值时,将待检测用户确定为目标用户;
步骤S414,服务器从终端获取目标用户的人脸识别分数及身份证信息;
步骤S416,服务器根据身份证信息计算目标用户对应的相似度衰减系数;
步骤S418,服务器基于人脸识别分数及相似度衰减系数采用已训练的用户等级评估模型,得到目标用户的当前用户等级;
步骤S420,服务器获取当前任务集合中每个任务对应的任务标识,根据任务标识查找每个任务对应的任务类型及合同信息,基于任务类型及合同信息采用已训练的任务等级评估模型得到每个任务对应的任务等级;
步骤S422,服务器根据当前用户等级从当前任务集合中筛选出任务等级满足预设条件的目标任务,将目标任务推送至终端。
应该理解的是,虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-4中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图5所示,提供了一种任务推送装置500,包括:
数据获取模块502,用于从目标用户对应的终端获取目标用户的人脸识别分数及身份证信息,人脸识别分数为终端调用公安部人脸识别接口对目标人脸图像进行人脸识别得到的分数;
相似度衰减系数计算模块504,用于根据身份证信息计算目标用户对应的相似度衰减系数;
当前用户等级获取模块506,用于基于人脸识别分数及相似度衰减系数采用已训练的用户等级评估模型,得到目标用户的当前用户等级;
目标任务筛选模块508,用于根据当前用户等级从当前任务集合中筛选目标用户对应的目标任务,目标任务为任务等级满足预设条件的任务;
目标任务推送模块510,用于将目标任务推送至终端。
在一个实施例中,上述装置还包括:活体检测模块,用于获取待检测用户的待检测人脸图像;从待检测人脸图像中提取图像特征;将图像特征输入已训练的活体检测模型,得到待检测用户对应的活体概率预测值;当根据活体概率预测值判定待检测用户对应的活体检测结果为第一预设结果时,向终端发送确认指令,确认指令用于指示终端将待检测人脸图像确定为目标人脸图像;当根据活体概率预测值判定待检测用户对应的活体检测结果为第二预设结果时,向终端发送警告信息。
在一个实施例中,上述装置还包括:任务等级确定模块,用于获取当前任务集合中每个任务对应的任务标识;根据任务标识查找每个任务对应的任务类型及合同信息;基于任务类型及合同信息采用已训练的任务等级评估模型得到每个任务对应的任务等级。
在一个实施例中,上述装置还包括:任务等级评估模型生成模块,用于获取第一训练样本集,第一训练样本集中每个第一训练样本包括历史任务对应的任务类型、合同信息及第一标注信息;确定初始任务等级评估模型的模型结构信息,以及初始化该初始任务等级评估模型的模型参数;基于第一训练样本中的任务类型及合同信息采用初始任务等级评估模型得到第一训练样本对应的任务等级;基于所得到的任务等级及第一标注信息之间的差异,调整初始任务等级评估模型的模型参数,得到目标任务等级评估模型;将目标任务等级评估模型确定为已训练的任务等级评估模型。
在一个实施例中,上述装置还包括:用户等级调整模块,用于获取目标用户的历史已完成任务;根据历史已完成任务对应的任务标识查找对应的任务评分;根据任务评分调整目标用户的当前用户等级。
在一个实施例中,上述装置还包括:用户等级评估模型生成模块,用于获取第二训练样本集,第二训练样本集中的每个第二训练样本包括历史目标用户对应的人脸识别分数、身份证信息及第二标注信息;确定初始用户等级评估模型的模型结构信息,以及初始化初始用户等级评估模型的模型参数;根据历史目标用户对应的身份证信息计算历史目标用户对应的相似度衰减系数;基于历史目标用户对应的人脸识别分数及相似度衰减系数采用初始用户等级评估模型,得到历史目标用户对应的用户等级;基于所得到的用户等级与第二训练样本中的第二标注信息之间的差异,调整初始用户等级评估模型的模型参数,得到目标用户等级评估模型;将目标用户等级评估模型确定为已训练的用户等级评估模型。
关于任务推送装置的具体限定可以参见上文中对于任务推送方法的限定,在此不再赘述。上述任务推送装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储任务推送方法的相关数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种任务推送方法。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现本申请任意一个实施例中提供的任务推送方法的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现本申请任意一个实施例中提供的任务推送方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种任务推送方法,所述方法包括:
从目标用户对应的终端获取所述目标用户的人脸识别分数及身份证信息,所述人脸识别分数为所述终端调用公安部人脸识别接口对目标人脸图像进行人脸识别得到的分数;
根据所述身份证信息计算所述目标用户对应的相似度衰减系数;所述相似度衰减系数,用于表征所述目标用户的目标人脸图像与所述目标用户的身份证人脸图像随着时间的推移相似度衰减的可能性大小;
基于所述人脸识别分数及所述相似度衰减系数采用已训练的用户等级评估模型,得到所述目标用户的当前用户等级;
根据所述当前用户等级从当前任务集合中筛选所述目标用户对应的目标任务,所述目标任务为任务等级满足预设条件的任务;
将所述目标任务推送至所述终端;
在所述根据所述当前用户等级从当前任务集合中筛选所述目标用户对应的目标任务之前,包括:
获取所述当前任务集合中每个任务对应的任务标识;
根据所述任务标识查找每个任务对应的任务类型及合同信息;
基于所述任务类型及所述合同信息采用已训练的任务等级评估模型得到每个任务对应的任务等级;其中,所述任务等级评估模型的生成步骤包括:获取第一训练样本集,所述第一训练样本集中每个第一训练样本包括历史任务对应的任务类型、合同信息及第一标注信息;确定初始任务等级评估模型的模型结构信息,以及初始化所述初始任务等级评估模型的模型参数;基于所述第一训练样本中的任务类型及合同信息采用所述初始任务等级评估模型得到所述第一训练样本对应的任务等级;基于所得到的任务等级及所述第一标注信息之间的差异,调整所述初始任务等级评估模型的模型参数,得到目标任务等级评估模型;将所述目标任务等级评估模型确定为已训练的任务等级评估模型;
所述方法还包括:
获取所述目标用户的历史已完成任务;
根据所述历史已完成任务对应的任务标识查找对应的任务评分;
根据所述任务评分调整所述目标用户的当前用户等级。
2.根据权利要求1所述的方法,其特征在于,在所述从目标用户对应的终端获取所述目标用户的人脸识别分数及身份证信息之前,包括:
获取待检测用户的待检测人脸图像;
从所述待检测人脸图像中提取图像特征;
将所述图像特征输入已训练的活体检测模型,得到所述待检测用户对应的活体概率预测值;
当根据所述活体概率预测值判定所述待检测用户对应的活体检测结果为第一预设结果时,向所述终端发送确认指令,所述确认指令用于指示所述终端将所述待检测人脸图像确定为目标人脸图像;
当根据所述活体概率预测值判定所述待检测用户对应的活体检测结果为第二预设结果时,向所述终端发送警告信息。
3.根据权利要求1至2任意一项所述的方法,其特征在于,所述用户等级评估模型的生成步骤包括:
获取第二训练样本集,所述第二训练样本集中的每个第二训练样本包括历史目标用户对应的人脸识别分数、身份证信息及第二标注信息;
确定初始用户等级评估模型的模型结构信息,以及初始化所述初始用户等级评估模型的模型参数;
根据所述历史目标用户对应的身份证信息计算所述历史目标用户对应的相似度衰减系数;
基于所述历史目标用户对应的人脸识别分数及相似度衰减系数采用所述初始用户等级评估模型,得到所述历史目标用户对应的用户等级;
基于所得到的用户等级与第二训练样本中的第二标注信息之间的差异,调整所述初始用户等级评估模型的模型参数,得到目标用户等级评估模型;
将所述目标用户等级评估模型确定为已训练的用户等级评估模型。
4.一种任务推送装置,其特征在于,所述装置包括:
数据获取模块,用于从目标用户对应的终端获取所述目标用户的人脸识别分数及身份证信息,所述人脸识别分数为所述终端调用公安部人脸识别接口对目标人脸图像进行人脸识别得到的分数;
相似度衰减系数计算模块,用于根据所述身份证信息计算所述目标用户对应的相似度衰减系数;所述相似度衰减系数,用于表征所述目标用户的目标人脸图像与所述目标用户的身份证人脸图像随着时间的推移相似度衰减的可能性大小;
当前用户等级获取模块,用于基于所述人脸识别分数及所述相似度衰减系数采用已训练的用户等级评估模型,得到所述目标用户的当前用户等级;
目标任务筛选模块,用于根据所述当前用户等级从当前任务集合中筛选所述目标用户对应的目标任务,所述目标任务为任务等级满足预设条件的任务;
目标任务推送模块,用于将所述目标任务推送至所述终端;
所述装置还包括:
任务等级确定模块,用于获取当前任务集合中每个任务对应的任务标识;根据任务标识查找每个任务对应的任务类型及合同信息;基于任务类型及合同信息采用已训练的任务等级评估模型得到每个任务对应的任务等级;
任务等级评估模型生成模块,用于获取第一训练样本集,第一训练样本集中每个第一训练样本包括历史任务对应的任务类型、合同信息及第一标注信息;确定初始任务等级评估模型的模型结构信息,以及初始化该初始任务等级评估模型的模型参数;基于第一训练样本中的任务类型及合同信息采用初始任务等级评估模型得到第一训练样本对应的任务等级;基于所得到的任务等级及第一标注信息之间的差异,调整初始任务等级评估模型的模型参数,得到目标任务等级评估模型;将目标任务等级评估模型确定为已训练的任务等级评估模型;
用户等级调整模块,用于获取目标用户的历史已完成任务;根据历史已完成任务对应的任务标识查找对应的任务评分;根据任务评分调整目标用户的当前用户等级。
5.根据权利要求4所述的装置,其特征在于,所述装置还包括:活体检测模块,用于获取待检测用户的待检测人脸图像;从所述待检测人脸图像中提取图像特征;将所述图像特征输入已训练的活体检测模型,得到所述待检测用户对应的活体概率预测值;当根据所述活体概率预测值判定所述待检测用户对应的活体检测结果为第一预设结果时,向所述终端发送确认指令,所述确认指令用于指示所述终端将所述待检测人脸图像确定为目标人脸图像;当根据所述活体概率预测值判定所述待检测用户对应的活体检测结果为第二预设结果时,向所述终端发送警告信息。
6.根据权利要求4至5任意一项所述的装置,其特征在于,所述装置还包括:
用户等级评估模型生成模块,用于获取第二训练样本集,第二训练样本集中的每个第二训练样本包括历史目标用户对应的人脸识别分数、身份证信息及第二标注信息;确定初始用户等级评估模型的模型结构信息,以及初始化初始用户等级评估模型的模型参数;根据历史目标用户对应的身份证信息计算历史目标用户对应的相似度衰减系数;基于历史目标用户对应的人脸识别分数及相似度衰减系数采用初始用户等级评估模型,得到历史目标用户对应的用户等级;基于所得到的用户等级与第二训练样本中的第二标注信息之间的差异,调整初始用户等级评估模型的模型参数,得到目标用户等级评估模型;将目标用户等级评估模型确定为已训练的用户等级评估模型。
7.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现以下步骤:
从目标用户对应的终端获取所述目标用户的人脸识别分数及身份证信息,所述人脸识别分数为所述终端调用公安部人脸识别接口对目标人脸图像进行人脸识别得到的分数;
根据所述身份证信息计算所述目标用户对应的相似度衰减系数;所述相似度衰减系数,用于表征所述目标用户的目标人脸图像与所述目标用户的身份证人脸图像随着时间的推移相似度衰减的可能性大小;
基于所述人脸识别分数及所述相似度衰减系数采用已训练的用户等级评估模型,得到所述目标用户的当前用户等级;
根据所述当前用户等级从当前任务集合中筛选所述目标用户对应的目标任务,所述目标任务为任务等级满足预设条件的任务;
将所述目标任务推送至所述终端;
在所述根据所述当前用户等级从当前任务集合中筛选所述目标用户对应的目标任务之前,所述处理器执行所述计算机程序时还实现以下步骤:
获取所述当前任务集合中每个任务对应的任务标识;
根据所述任务标识查找每个任务对应的任务类型及合同信息;
基于所述任务类型及所述合同信息采用已训练的任务等级评估模型得到每个任务对应的任务等级;其中,所述任务等级评估模型的生成步骤包括:获取第一训练样本集,所述第一训练样本集中每个第一训练样本包括历史任务对应的任务类型、合同信息及第一标注信息;确定初始任务等级评估模型的模型结构信息,以及初始化所述初始任务等级评估模型的模型参数;基于所述第一训练样本中的任务类型及合同信息采用所述初始任务等级评估模型得到所述第一训练样本对应的任务等级;基于所得到的任务等级及所述第一标注信息之间的差异,调整所述初始任务等级评估模型的模型参数,得到目标任务等级评估模型;将所述目标任务等级评估模型确定为已训练的任务等级评估模型;
所述处理器执行所述计算机程序时还实现以下步骤:
获取所述目标用户的历史已完成任务;
根据所述历史已完成任务对应的任务标识查找对应的任务评分;
根据所述任务评分调整所述目标用户的当前用户等级。
8.根据权利要求7所述的计算机设备,其特征在于,所述处理器执行所述计算机程序时还实现以下步骤:
获取待检测用户的待检测人脸图像;
从所述待检测人脸图像中提取图像特征;
将所述图像特征输入已训练的活体检测模型,得到所述待检测用户对应的活体概率预测值;
当根据所述活体概率预测值判定所述待检测用户对应的活体检测结果为第一预设结果时,向所述终端发送确认指令,所述确认指令用于指示所述终端将所述待检测人脸图像确定为目标人脸图像;
当根据所述活体概率预测值判定所述待检测用户对应的活体检测结果为第二预设结果时,向所述终端发送警告信息。
9.根据权利要求7至8任意一项所述的计算机设备,其特征在于,在所述从目标用户对应的终端获取所述目标用户的人脸识别分数及身份证信息之前,所述处理器执行所述计算机程序时还实现以下步骤:
获取第二训练样本集,所述第二训练样本集中的每个第二训练样本包括历史目标用户对应的人脸识别分数、身份证信息及第二标注信息;
确定初始用户等级评估模型的模型结构信息,以及初始化所述初始用户等级评估模型的模型参数;
根据所述历史目标用户对应的身份证信息计算所述历史目标用户对应的相似度衰减系数;
基于所述历史目标用户对应的人脸识别分数及相似度衰减系数采用所述初始用户等级评估模型,得到所述历史目标用户对应的用户等级;
基于所得到的用户等级与第二训练样本中的第二标注信息之间的差异,调整所述初始用户等级评估模型的模型参数,得到目标用户等级评估模型;
将所述目标用户等级评估模型确定为已训练的用户等级评估模型。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至3中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811544266.7A CN109816200B (zh) | 2018-12-17 | 2018-12-17 | 任务推送方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811544266.7A CN109816200B (zh) | 2018-12-17 | 2018-12-17 | 任务推送方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109816200A CN109816200A (zh) | 2019-05-28 |
CN109816200B true CN109816200B (zh) | 2023-11-28 |
Family
ID=66601988
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811544266.7A Active CN109816200B (zh) | 2018-12-17 | 2018-12-17 | 任务推送方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109816200B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110298331B (zh) * | 2019-07-05 | 2021-04-06 | 中国计量大学 | 一种人证比对方法 |
CN111259245B (zh) * | 2020-01-16 | 2023-05-02 | 腾讯音乐娱乐科技(深圳)有限公司 | 作品推送方法、装置及存储介质 |
CN111275448A (zh) * | 2020-02-22 | 2020-06-12 | 腾讯科技(深圳)有限公司 | 人脸数据处理方法、装置和计算机设备 |
CN112084408B (zh) * | 2020-09-08 | 2023-11-21 | 中国平安财产保险股份有限公司 | 名单数据筛选方法、装置、计算机设备及存储介质 |
CN112329638A (zh) * | 2020-11-06 | 2021-02-05 | 上海优扬新媒信息技术有限公司 | 一种图像打分方法、装置和系统 |
CN112949599B (zh) * | 2021-04-07 | 2022-01-14 | 青岛民航凯亚系统集成有限公司 | 基于大数据的候选内容推送方法 |
CN113177480A (zh) * | 2021-04-29 | 2021-07-27 | 上海商汤智能科技有限公司 | 基于人脸识别的金融业务处理方法、装置、设备及介质 |
CN113240335A (zh) * | 2021-06-09 | 2021-08-10 | 武汉空心科技有限公司 | 一种工程师技能熟练度评估方法 |
CN117437824A (zh) * | 2023-12-13 | 2024-01-23 | 江西拓世智能科技股份有限公司 | 演讲训练方法及相关装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105654056A (zh) * | 2015-12-31 | 2016-06-08 | 中国科学院深圳先进技术研究院 | 人脸识别的方法及装置 |
CN107818313A (zh) * | 2017-11-20 | 2018-03-20 | 腾讯科技(深圳)有限公司 | 活体识别方法、装置、存储介质和计算机设备 |
CN107958317A (zh) * | 2016-10-17 | 2018-04-24 | 腾讯科技(深圳)有限公司 | 一种众包项目中选取众包参与人的方法和装置 |
CN108062538A (zh) * | 2017-12-29 | 2018-05-22 | 成都智宝大数据科技有限公司 | 人脸识别方法及装置 |
CN108197557A (zh) * | 2017-12-28 | 2018-06-22 | 深圳云天励飞技术有限公司 | 人证一致性检验方法、终端设备及计算机可读存储介质 |
CN108573054A (zh) * | 2018-04-24 | 2018-09-25 | 百度在线网络技术(北京)有限公司 | 用于推送信息的方法和装置 |
CN108764932A (zh) * | 2018-04-09 | 2018-11-06 | 国网山东省电力公司 | 基于人脸识别的电力营业厅智能分级调度方法和系统 |
-
2018
- 2018-12-17 CN CN201811544266.7A patent/CN109816200B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105654056A (zh) * | 2015-12-31 | 2016-06-08 | 中国科学院深圳先进技术研究院 | 人脸识别的方法及装置 |
CN107958317A (zh) * | 2016-10-17 | 2018-04-24 | 腾讯科技(深圳)有限公司 | 一种众包项目中选取众包参与人的方法和装置 |
CN107818313A (zh) * | 2017-11-20 | 2018-03-20 | 腾讯科技(深圳)有限公司 | 活体识别方法、装置、存储介质和计算机设备 |
CN108197557A (zh) * | 2017-12-28 | 2018-06-22 | 深圳云天励飞技术有限公司 | 人证一致性检验方法、终端设备及计算机可读存储介质 |
CN108062538A (zh) * | 2017-12-29 | 2018-05-22 | 成都智宝大数据科技有限公司 | 人脸识别方法及装置 |
CN108764932A (zh) * | 2018-04-09 | 2018-11-06 | 国网山东省电力公司 | 基于人脸识别的电力营业厅智能分级调度方法和系统 |
CN108573054A (zh) * | 2018-04-24 | 2018-09-25 | 百度在线网络技术(北京)有限公司 | 用于推送信息的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109816200A (zh) | 2019-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109816200B (zh) | 任务推送方法、装置、计算机设备和存储介质 | |
US11403876B2 (en) | Image processing method and apparatus, facial recognition method and apparatus, and computer device | |
CN109858737B (zh) | 基于模型部署的评分模型调整方法、装置和计算机设备 | |
CN109636607B (zh) | 基于模型部署的业务数据处理方法、装置和计算机设备 | |
CN111444952B (zh) | 样本识别模型的生成方法、装置、计算机设备和存储介质 | |
CN111950329A (zh) | 目标检测及模型训练方法、装置、计算机设备和存储介质 | |
CN108769026B (zh) | 用户账号检测系统和方法 | |
CN111476268A (zh) | 翻拍识别模型训练、图像识别方法、装置、设备及介质 | |
CN111191568A (zh) | 翻拍图像识别方法、装置、设备及介质 | |
US10685347B1 (en) | Activating a transaction card | |
CN110570312B (zh) | 样本数据获取方法、装置、计算机设备和可读存储介质 | |
CN109063984B (zh) | 风险旅客方法、装置、计算机设备和存储介质 | |
CN112329811A (zh) | 异常账号识别方法、装置、计算机设备和存储介质 | |
CN109271957B (zh) | 人脸性别识别方法以及装置 | |
CN109801151B (zh) | 财务造假风险监控方法、装置、计算机设备和存储介质 | |
CN111145006A (zh) | 基于用户画像的汽车金融反欺诈模型训练方法和装置 | |
CN111178147A (zh) | 屏幕破碎分级方法、装置、设备及计算机可读存储介质 | |
CN114693192A (zh) | 风控决策方法、装置、计算机设备和存储介质 | |
CN112784168B (zh) | 信息推送模型训练方法以及装置、信息推送方法以及装置 | |
CN112818868A (zh) | 基于行为序列特征数据的违规用户识别方法和装置 | |
CN115223022A (zh) | 一种图像处理方法、装置、存储介质及设备 | |
CN115801309A (zh) | 基于大数据的计算机终端接入安全验证方法及系统 | |
CN113657808A (zh) | 一种人员评定方法、装置、设备及存储介质 | |
CN112784990A (zh) | 一种成员推断模型的训练方法 | |
CN111339317A (zh) | 用户注册识别方法、装置、计算机设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |